11分钟loop engineering循环工程完整拆解 Stop Prompting. Start Building Loops. Loop Engineering in 11 Minutes

零点未来 · 2026-06-19 · 11м 32с · 288 просмотров · YouTube ↗

Топики: ai-loop-engineering

🎧 Аудио

📝 Summary

model=deepseek-v4-flash · prompt=summary-v7 · 4 195→2 273 tokens · 2026-07-20 12:07:55

🎯 Главная суть

Loop Engineering (циклическая инженерия) — это смена парадигмы взаимодействия с AI-агентами: вместо того чтобы вручную писать промпты для каждого шага, разработчик проектирует автоматический цикл, который сам запускает агентов, проверяет результаты и повторяет процесс до выполнения заданных условий. Человек переходит из роли «оператора внутри цикла» (human-in-the-loop) в роль «дизайнера системы» (human-out-of-the-loop).

От Prompt Engineering к Loop Engineering: эволюция парадигмы

В 2013–2014 годах доминировал Prompt Engineering — тщательное написание промптов для получения лучшего ответа от ИИ. К началу 2025 года появился Context Engineering — фокус на том, как подавать агенту контекст, а не просто формулировать вопрос. Летом 2025 года инженер Jeffrey случайно обнаружил эффективный паттерн: он поместил кодинг-агента в бесконечный цикл, где тот каждый раз читал один и тот же файл, модифицировал код и запускался заново. Он назвал это «Rail of Loop» — по мотивам персонажа из «Симпсонов», который никогда не сдаётся, не будучи умным, но будучи очень эффективным.

К апрелю–маю 2026 года в инструментах Claude Code и Codex появилась команда --go (continue until condition met). В июне 2026 года инженер Google Eddy опубликовал определяющую статью, в которой формализовал Loop Engineering как систему из пяти строительных блоков. Концепция быстро распространилась в сообществе AI-кодинга.

Пять строительных блоков Loop Engineering

Automation (планировщик) — сердце цикла. Без него агент выполнится один раз и остановится. В Claude Code есть два режима: выполнение с фиксированным интервалом (например, проверка багов каждые 5 минут) и условный запуск по событию (например: «продолжать, пока все тесты не пройдены и линтер чист»).

Worktrees (рабочие деревья) — механизм параллельной работы нескольких агентов без конфликтов файлов. Git worktrees дают каждому агенту собственную рабочую директорию, разделяющую общую историю репозитория, но изолирующую изменения. Это решает проблему конфликта правок при одновременном выполнении задач.

Skills (библиотека навыков) — заранее записанные знания о проекте: соглашения, конфигурации, местоположение ключей, правила использования библиотек. Без Skills каждый запуск агента начинается «с чистого листа». Skills погашают «Intent Debt» — долг намерений: агенту не нужно угадывать, что вы имели в виду, он просто читает инструкции.

Plugins и Connectors (плагины и соединители) — на базе протокола MCP (Model Context Protocol) позволяют агенту читать тикеты, запрашивать базы данных, вызывать API, отправлять сообщения в Slack. Это ключевое отличие от обычного диалогового агента: цикл может автоматически создать Pull Request, привязать к задаче и отправить уведомление команде без участия человека.

Subagents (под-агенты) — разделение ролей «создателя» и «проверяющего». В архитектуре make/tracker separation один агент (Implementer) пишет код, а второй (Verifier) запускает тесты, проверяет линтер и не пропускает код, пока он не соответствует критериям. Когда агент выступает одновременно судьёй и игроком, он склонен завышать себе оценку: покрытие верификации составляет 73% при разделении ролей против 7–33% при совмещении.

Три примера применения: от минимального до корпоративного

Минимальный loop — одна команда в Claude Code: /go fix всех lint-ошибок в Python-файлах, пока вывод flake8 не станет пустым. Не требуется ни worktrees, ни plugins — достаточно объективного условия остановки. Это самый простой вариант, доступный прямо сейчас.

AutoResearch (Compassi) — известный проект автоматического исследования. В нём используется Program.markdown (аналог Skills), бесконечный цикл по 5 минут на итерацию (Automation), агент-реализатор, изменяющий chain.py, и верификатор на основе математических формул (в отличие от классического Loop Engineering, где верификатор — другой LLM-агент, здесь используется объективный математический критерий). Также присутствует Memory — сохранение и откат кода, логи эксперимента. Пользователь пишет Program.markdown, запускает цикл и уходит спать, а система самостоятельно выполняет ~100 экспериментов.

Enterprise bug-fixing loop (пример от Eddy) — трёхэтапный пайплайн:

Perception (восприятие) — каждое утро в 8:00 триггер читает логи вчерашних проваленных CI-запусков и записывает их в Linear (канбан-доску).
Execution (исполнение) — для каждого бага открывается изолированный worktree, Implementer пишет фикс, Verifier запускает тесты. При неудаче цикл возвращается к Implementer.
Delivery (доставка) — Connector автоматически открывает PR, привязывает к задаче, отправляет уведомление команде. Только если агенты не справились, задача с полным контекстом попадает в inbox разработчика.

Где циклы работают, а где нет — ограничения применимости

Loop Engineering хорошо ложится на задачи, где существует объективный критерий успеха: написание кода, математические доказательства, физические симуляции. В этих областях результат можно проверить внешним инструментом (компилятор, тест, линтер), а сигналы ошибки (например, красный тест) однозначны. Для задач вроде написания текстов или бизнес-стратегий оценка субъективна — там верификация требует человеческого суждения.

При проектировании цикла нужно ответить на вопрос: «Может ли LLM-агент самостоятельно определить, правилен ли результат?» Если да — можно строить полноценный цикл с Verifier-агентом. Если нет — цикл всё равно полезен, но человек остаётся главным верификатором и должен тратить время на проверку.

Три практических принципа успешного Loop Engineering

Условие остановки — это продукт. Качество цикла определяется тем, насколько чётко вы сформулировали критерий завершения. Если в неизмеримой области удаётся придумать объективный количественный критерий — вы уже наполовину решили задачу.

Разделение Make и Tracker — гарантия качества. Нельзя позволять одному агенту и писать код, и оценивать его. Это приводит к завышению результатов. Два независимых агента (реализатор + проверяющий) дают реальную оценку.

Система памяти — настоящий движок прогресса. Агенты забывают репозиторий между итерациями. Memory (в простейшем случае — markdown-файл с логами) позволяет накапливать опыт: если на предыдущем шаге была ошибка, агент не повторяет её, а использует как трамплин. Без памяти цикл каждый раз начинается с нуля, что выглядит «тупым» поведением.

📜 Transcript

zh · 63 слов · 32 сегментов · clean

Показать текст транскрипта

哈喽朋友们AI圈又出新概念了从Plumped Engineering提示词工程到Context Engineering上下文工程再到Harness Engineering驾驭工程这部6月份又火了一个概念叫loop engineering循环工程今天这个视频呢就跟大家聊聊什么是loop engineering循环工程Bob多说啊你直接开始2020年6月7号呢OpenCloud之父Peter呢发了一条推特他说啊你不需要再给你的coding agent输入提示词呢你应该设计一个循环那循环自己去提示你的coding agent那两天之后呢Cloud Code的创造者Boris呢在一档节目上说了类似的话他说啊我现在不自己提示Cloud我再跑循环这是循环在提示的cloud是循环在决定下一步做什么而我的工作呢就是写这个循环设计这个循环这两句本质上其实带来了AI Vibe Coding范式的改变那么它到底变了什么呢我们可以看一下屏幕上这两个动画那左边呢就是过去两年大多数我们用AI写代码的一个方式你写Plump Agent来执行你读结果你做决策再写Plump Agent再执行你就是那个中间不停的在戳的人戳这个Agent每部分都需要你来驱动那右边这个呢大家可以看到它是自动循环的有个系统在自动循环调度触发agent的执行验证交付感知分析再回到调度而你呢就是圆圈中间那个虚线圈起来的设计者你设计了这个系统然后退出来了这就是loop engineering最核心的转变你从操作员human in a loop深度参与者变成了一个系统设计者loop designer或者说human out of loop那loop engineering这个概念是怎么来的呢首先他不是凭空出现了他有一条清晰眼睛的脉络2013年到2014年大家都在写Prompt精心设计我们的提示词让AI能给出更满意的回答2025年初呢Context Engineering出现了开始关注怎么给Agent喂好你的上校文而不只是问问题本身到了2025年夏天呢一个工程师叫Jeffrey无意间发现了一个有趣的模式这个模式是什么呢就是他把Coding Agent扔进了一个无线的Share循环里面就是你看到这段伪代码每次循环都会读同一个文件去修改代码然后重新开始他给这个模式取了一个名字叫Rail of Loop取自辛普森一家那个永不放弃的Rail不聪明但是非常有效到了2026年4到5月Cloud Code和Codex先后都上线的CHGO这个命令意思就是持续跑直到条件满足之后再停工具层Five Coding已经就绪了你可以去搭建你的Loop然后到了2026年6月Google工程师Eddy发表了一篇定义性的常委他把Loop Engineering进行了详细的定义系统化成了五大构建所以这个概念正式在AI Web Coding 圈传开了接下来我们就来了解这五大构建看一看Loop的完整拼图首先第一个构建叫Automation其实就是调度它是Loop的心跳没有它Loop就只能跑一次而不是跑循环在Cloud Code里面有两种触发的模式首先第一个就是 它是可以去按一个固定的节奏进行重复比如说每5分钟检查一次你的代码是否有bug接下来还有一个叫 它是一个条件驱动的模式比如说我们的条件是所有测试通过加lint干净才可以停下来那第二个构建呢就是worktreesCloudcode之前也分享过我们在写代码的时候可以去构建这个worktrees这里也是一样的你要跑多个agent的并行处理任务的时候呢最大的问题就是文件会冲突所以gitworktrees呢给每个agent自己有独立的工作目录他共享了同一个report的历史但是互相碰不到对方的代码那第三个构建呢叫skills技能库没有skills呢每次agent的启动他都是能启动的他不知道你的项目约定是什么有什么配置不知道为什么不能用这个库不知道密钥存在哪里那Skills就是把这些知识写下来每次循环都自动赌其实它是在偿还一种叫Intent Debt意图债务的一种方式Agent不再靠猜测来填补你的意图的空白你输入你的想要的东西之后Agent能理解你的意图第四个叫Plugins和Connectors就是插件和连接器基于mcp协议能让agent能够读比如说音修track查数据库调API在slack里面发消息等等这也是区别于普通的比如说只会跟你说话对话的agent以及会做loop的一个关键loop可以直接开PR关联Ticket通过之后可以直接发通知都是全自动的不用经过你你只要写好验证规则验证条件就好了第五个叫subagents只代理分离这是ADI里面说的整个loop里面最重要的一个结构设计原话是这么说了写代码的那个模型自己给自己评分实在是太手软了可以理解为同一个agent既当裁判又当运动员他可以自己打分肯定是不合理的甚至打的分可能会比较高背后也不代表他真正的完成任务所以呢他建议就设计一个模式叫做make和tracker分离我们可以直接看一下这个流程图给大家解释一下什么叫make和tracker分离的一个架构那写代码的agent和sum代码的agent其实是完全独立的两个比如说写代码的agent我们叫implementer subagent他负责写代码那verifier这个agent负责对代码进行验收跑测试检查link等等不通过的话就要退回去重做只有通过了才进入下一步这样做的有好处就是我们把make和track分离之后呢他的验证覆盖率可以达到73%如果你即使当裁判又当运动员呢他只有7%到33%差距是非常大的最后一个构建啊其实eddy没有提这是Enthropic另外一工程师有提到的他在用Fiber 5做实验的时候有提到这个概念就是记忆因为模型呢会忘记repo不会记忆呢可以是一个markdown文件任何跨绘化持久化的东西没有记忆呢每次循环他都要从零开始你会觉得agent很蠢接下来呢我给大家看三个loop engineer的例子首先第一个是最小的loop其实一行命令就可以解决了场景非常简单比如说你有一个python的项目想要清掉所有的lint错误但是呢不想一个个手动改你就输入一行命令slash go修复这个文件下面python文件相关的lint的所有错误直到flag8输出为空那么agent呢就会自己去跑flag8发现错误修复然后再跑直到输出为空停止你不需要配置这个work trees也不需要connectus你只需要这个客观的停止条件这就是一个完整loop这是loop engineering最小的一个形态你今天就可以马上用起来在cloud code里面那第二个例子呢就是capacity的autoresearchcapacity的autoresearch呢之前非常火其实你也可以看作是一个loopengineering我们可以对应一下autoresearch里面组件他有个program.markdown其实就是你写的严重发现可以是给这个Loop Engineering的Skills那第二个就是无线循环它是每轮跑5分钟的就对应的Automation第三个叫Agent修改Chain.py其实这个就是ImplementerSubagentCodingAgent那第四个呢就是在Auto Research里面呢它其实写了完整的验证的标准它是可以通过数学公式来验证这个结果的所以这里面有一个区别啊就是这个Valifier呢它其实不是一个LM它是一个真实训练的结果这一点是Auto Research和Loop Engineering的一个区别在Loop Engineering里面Verifier通常都是另外一个Tracker Agent但是这里呢他是一个数学公社标准其实也是Loop Engineer里面一个缩小版那第五个呢就是记忆因为在Auto Research里面会保留或回滚代码记录实验的日子他对应就是我们的Memory所以在Auto Research里面呢Compassi设计的Program.markdown然后退出这个循环那个系统呢就会自己基于这个条件的去运转一页大约跑完100次实验所以睡醒之后直接看日志看结果就好那第三个例子呢就是Eddie自己说的一个例子他的企业级的bug修复的一个loop他的一个流程大概是分三个大的阶段第一个阶段呢就是感知阶段每天早上8点他会触发一个调度这skill呢就会读昨天失败的这个CI然后写到这个linearboard我们看板或者说我们的一个存储的地方第二个阶段叫执行阶段就是对每个funding呢开一个隔离的work tree那implement agent就会写修复代码verifier agent就跑测试验收不通过的话就会自动退回通过了以后才放行第三个阶段叫做交付阶段交付阶段就是connect自动去开PR关联Ticket团队收到通知如果搞不定的话再带上完整的上下纹进入你的inbox等待你做决策你设计一次呢不手动prompt任何步骤美金导演起来PR就已经开好了所以这三个例子啊它背后都是同一套思想三种规模你从哪里开始取决于今天要解决什么样的问题最小的起点就是在cloudcode里面打开来我们输入-go的这个命令你要做的就是写下这个机器能验证停止条件那Lube Engineer你跟背后的你有什么关系呢假如你是一个马龙你的工作其实就从写代码变成你要设计一个系统变成设计让AI写代码的一个系统如果你关注AI agent在企业里面怎么去商业化落地呢其实Lube Engineer你对应的FDE这个模式和工程方法论也非常类似的在FDE里面我们有三个大的阶段第一个叫Audit做审计做调研第二个叫评估EVOTE就是哪个环节适合去搭agent哪个环节适合用普通的规则第三个呢就是deployment交付其实对应这个loop里面有不同的构建最后呢有三个你要想清楚的问题首先第一个你还是要写这个验证条件验证规则的没有人执手的这个loop不等于自己去犯错自己乱编loop不知道对错和结果只有你定义好你的条件之后loop才能判断是否条件能够满足第二条叫理解债务就是loop越快能够产出现代码你和代码库之间的差距就越大速度本身不是一个目标第三点叫认知投降loop自动运行的时候你的脑袋其实是停止思考的你直接接受的就是loop的结果这是一个非常危险的姿态你没有理解他背后到底做了什么东西所以你这里面会发现两个人用同样的loop可能会得到完全相反的结果一个用他对于自己深度理解的工作进行加速另外一个人只是用它来代替自己的用它避免理解工作loop其实不知道区别了但是你知道 基于刚刚的验证条件这一个话题我们可以延伸思考下这也就是为什么loopengineering在代码数学物理领域里面更容易落地和验证你可以看一下这条普代从左边机器可以客观验证到右边需要人工判断代码测试数学证明还有物理仿真等等在最左边自主性会比较高那像文案写作三页策略就在右边他需要人工的介入然后主观的判断会比较多这为什么呢背后其实还有首先第一个就是可验证的领域里面有一些停止条件它是需要存在模型之外的验证通过来失败就是编译器说了算而不是agent来说了算第二个就是vfile它前提就是vfile可以做真正的验证去跑测试比如说没有lint的错误这种偏量化的测试如果你没有这些测试的验证标准呢它Verify也不知道是谁对谁错那第三点就是它的失败信号是非常可见的MakerTracker循环它运转必须要有一些反馈的信号代码里面的一些反馈信号比如说测试的报错如果没有这些失败的信号呢其实这些loop呢只是在重复而不是在修正你的项目所以在设计loop之前啊你需要先问自己一个问题就是这个任务输出lm agent能够独立判断对错吗如果能就大胆建这个loop吸引了verifier的结果不能的话loop仍然有价值但是你自己就是最关键的一个verifier你自己要花时间去验证你的结果所以loop engineering并没有让你的工作变更容易而是变成这个杠杆总结一下今天我们分享的内容有三条实践总结的分享所以记住这三条停止条件是一个真正的产品如何去评判这个loop的好坏你需要去做定义如果在非量化的领域能够定义一个很好的量化的标准那么你就已经成功了一大半第二个叫make a track的分离是真正质量的保证不要既当裁判又当运动员第三个呢就是记忆系统是真的复理引擎让agent能够做经验的总结和沉淀下次从前面踩过坑的经验爬出来继续往上走OK这就是本期视频所有的内容如果你觉得还不错欢迎点赞收藏关注我们下期再见

⚙️ Pipeline jobs

Stage	Status	Att.	Updated
download	done	2/3	2026-07-20 12:07:21
transcribe	done	1/3	2026-07-20 12:07:31
summarize	done	1/3	2026-07-20 12:07:55
embed	done	1/3	2026-07-20 12:07:56

📄 Описание YouTube

Показать

欢迎关注我的频道  @零点未来，收获AI教程和产品介绍等。
视频作者：目前从事AI解决方案，海外科技商业化和解决方案落地 。
X: @jingwangtalk  https://x.com/jingwangtalk

本期视频X文章：
https://x.com/jingwangtalk/status/2067981197263729013?s=20

本期newsletter:
https://open.substack.com/pub/zerofuturetech/p/stop-prompting-start-building-loops?r=5c8syw&utm_campaign=post&utm_medium=web&showWelcomeOnShare=true

My newsletter, welcome to subsribe
https://zerofuturetech.substack.com/

VPN推荐：
ikuuu vpn:
免费50G流量/月，付费只要12元/月，有300G。多达300个节点可选：
https://ikuuu.win/auth/register?code=Q3xi

白月光VPN：
https://www.sibker.com/register?code=2GDRr6Sf

环球巴士互联网租赁平台（可充值ChatGPT，Gemini，Netflix等）
https://universalbus.cn/?s=nQaJ86LH99
95折优惠码：LDWL

更多精彩内容：
14分钟揭秘Palantir一堆文件如何变成Ontology
https://youtu.be/ts0xDU19w4w

11分钟搞清楚2026年最火的岗位AI FDE
https://youtu.be/DGPuuKSrTCA

12分钟学习LLM驱动Ontology构建
https://youtu.be/NSrMx-syfaI

10分钟企业Agentic Workflow落地:Palantir & Ontology
https://youtu.be/Gp6TubaAq8A

11分钟聊聊大家关心的deepseek v4的问题
https://youtu.be/6zc63V14nDU

15分钟Andrej Karpathy LLM知识库搭建保姆级教程
https://youtu.be/f5R-0DHRTQk

12分钟快速掌握3大Harness Skills
https://youtu.be/rXdcz7Dy4sY

11分钟快速上手Harness实战：MicroHarness 
https://youtu.be/MdhoWdIuDcs

8分钟快速掌握Agent Harness
https://youtu.be/7y3s-Csn3z4

10分钟如何写好Claude Skills？
https://youtu.be/gAGHjcW04yY

4分钟Claude交互式图表
https://youtu.be/5Ga8rSdZ9SU

10分钟OpenClaw Telegram同群多智能体协同教程和答疑
https://youtu.be/JF12cYLUhQ4

9分钟OpenClaw Telegram多智能体配置保姆级教程
https://youtu.be/C41mnhVrRzQ

10分钟学会Vibe Coding全流程和部署工具
https://youtu.be/8egCj_S-Ri4

8分钟上手Claude Agent Teams配置和使用
https://youtu.be/uIH5Vqg6c1E

7分钟上手OpenClaw接入飞书
https://youtu.be/2L0A4VW7CD0

8分钟Clawdbot云服务器安装部署和使用
https://youtu.be/f2jaJOVUsSg

11分钟全面掌握Claude Skills实现工作流自动化
https://youtu.be/47xeXbbcWhg

10分钟上手创建和使用Claude Skill
https://youtu.be/WrPhxuX4sOU

7分钟搞定Claude Code安装和多模型配置
https://youtu.be/-0H2rolv0NA

5分钟学Nanobanana信息图中文清晰和风格统一
https://youtu.be/PJ5PcWvRTKA

2025年收官：8分钟普通人AI"生存指南"
https://youtu.be/9z_JJua1UmY

12分钟掌握NotebookLM Slide Deck 8种实用玩法：
https://youtu.be/KhkhqrQzdGU

8分钟速览GPT-5.2，达到你预期了吗？
https://youtu.be/uKQxrZk_Oxo

7分钟上手Gemini数据可视化3种玩法：
https://youtu.be/-wiY6up6LYI

5分钟掌握用Nanobanana Pro来视觉学习
https://youtu.be/tx11sryWMDc

9分钟Gemini 3.0快速上手
https://youtu.be/Ev_h2SK07EQ

6分钟掌握用Gemini高效学习的技巧
https://youtu.be/Xhv_H8Oh7LQ

10分钟教你用Notebooklm来准备面试
https://youtu.be/9_x197Eop64

8分钟ChatGPT Altas快速上手
https://youtu.be/WyU8XEDy-2c

8分钟NoteBookLM新玩法快速上手
https://youtu.be/vT_8MAHCNJc

Google Opal AI工作流5分钟快速上手：
https://youtu.be/flYpBUXO5Rg?si=ccEGYLObQlyk3WMv